Prosiding Seminar Nasional Sains Antariksa

Prosiding
Seminar Nasional Sains Antariksa
Homepage:http//www.lapan.go.id
KAJIAN PENERAPAN METODE DATA WAREHOUSE
UNTUK PENGELOLAAN DATA SAINS ANTARIKSA
(THE STUDY ON THE APPLICATION OF DATA WAREHOUSE TO MANAGE
SPACE SCIENCE DATA)
Siti Maryam, Elyyani
Pusat Sains Antariksa
Lembaga Penerbangan dan Antariksa Nasional
e-mail: [email protected]
ABSTRAK
Riwayat Artikel:
Diterima: 22-11-2016
Direvisi: 07-04-2017
Disetujui: 17-04-2017
Diterbitkan: 22-05-2017
Kata kunci:
Bank data, Basis Data,
Data warehouse, Source
Data, Data Marts.
Keywords:
Bank data, Database
Data, Data warehouse,
Source Data, Data
Marts..
1.
Pusat
Sains
Antariksa
memiliki
sistem
penyimpanan
data
https://bimasakti.sains.lapan.go.id. Sistem ini menampung data sains
antariksa untuk mendukung riset cuaca antariksa. Tahun 2015 dilakukan
pengembangan basis data sains antariksa. Hasil identifikasi menunjukan
bahwa data sains antariksa memiliki aneka ragam format jenis dan struktur
file. Hal ini menyebabkan ketidakberhasilan dalam mengembangkan sistem
basis data sains antariksa. Keseragaman format file merupakan syarat
dalam pengembangan suatu basis data. Tahun 2016 Pusat Sains Antariksa
mencoba menerapkan kajian metode data warehouse pada pengelolaan data
sains antariksa. Metode data warehouse memungkinkan integrasi berbagai
jenis file, aplikasi serta sistem. Dengan menerapkan metode data warehouse
diharapkan dapat memberi solusi kemudahan dalam pengelolaan data sains
antariksa.
ABSTRACT
Space
Science
Center
has
data
storage
system
https://bimasakti.sains.lapan.go.id. This system holds space science data to
support space weather research. In the year of 2015 has been developed a
space science data. The result of identification shows that the space science
data has a variety of file format and structures, and this condition led to
several unsuccessful in developing database system. The uniformity of file
format is a requirement in database development. In the year of 2016, Space
Science Center, attempting to apply the data warehouse method on data
management. Methods of warehouse data is enables to integrate a different
types of files, an applications and it’s systems, and by applying the method
of warehouse data it is expecting to provide solutions to ease in management
of space science data.
Pendahuluan
Pusat Sains Antariksa memiliki sistem bank
data yang menampung seluruh data hasil
pengamatan dari Loka dan Balai pengamatan
dirgantara. Data hasil pengamatan disimpan
dalam media https://bimasakti.sains.lapan.go.id.
Seminar Nasional Sains Antariksa
Bandung, 22 November 2016
Sistem ini bertujuan menyediakan data untuk
mendukung riset cuaca antariksa. Format
pengelolaan bank data hasil pengamatan berupa
kumpulan file data (folder).
Tahun 2015 sistem bank data sains
antariksa dikembangkan dengan menerapkan
c 2017 Pusat Sains Antariksa LAPAN
ISBN: 978-602-17420-1-3
264
S. Maryam & Elyyani
metode pengelolaan basis data, akan tetapi
belum berhasil dikarenakan faktor ketidak
seragaman format file data hasil pengamatan.
Disamping itu, data sains antariksa dihasilkan
dari berbagai aplikasi dan sistem yang berbeda.
Tahun 2016 sistem bank data sains antariksa
dikembangkan dengan mencoba menerapkan
metode pengelolaan data warehouse. Metode ini
memungkinkan integrasi pengelolaan data dari
berbagai sistem aplikasi yang berbeda.
Kajian penerapan metode data warehouse
pada
pengelolaan
data
sains
antariksa
diharapkan memberikan solusi dan kemudahan
bagi pengelola dalam meenyediakan data sains
antariksa untuk mendukung kegiatan riset cuaca
antariksa.
2.
Tinjauan Pustaka
Kebutuhan akan data dan informasi di
suatu institusi tampaknya hanya bisa dipenuhi
apabila institusi tersebut telah memanfaatkan
sistem informasi berbasis teknologi informasi
dan menggunakan teknologi data warehouse
sebagai sarana untuk melakukan berbagai
analisa yang mendalam mengenai kondisi dan
situasi dari institusi tersebut (Iik, 2013). Data
warehouse adalah basis data berukuran besar
yang menyimpan data dari berbagai sumber
(Stephanie, 2014).
Data warehouse tumbuh sebagai kebutuhan
dalam berbagai organisasi untuk mengalisis data
histori yang dimiliki dan konsolidasi data dari
berbagai
sumber
dalam
satu
tempat
penyimpanan (repository) yang besar (Agus,
2009). Data warehouse adalah kumpulan data
yang bersifat subject-oriented, terintegrasi, time
variant, dan non volatile yang membantu pihak
organisasi dan perusahaan dalam proses
pembuatan keputusan.
Data warehouse menyediakan suatu tool
yang disebut On Line Analytical Processing
(OLAP) untuk melakukan analisis data multi
dimensional secara interaktif yang akan menjadi
fasilitas kemudahan dalam melakukan proses
data mining (Randy, 2012). Keuntungan dari
menerapkan data warehouse adalah kemampuan
mengakses data enterprise, kemampuan dalam
konsistensi data, kemampuan menampilkan
hasil analisis secara cepat, menemukan gap
antara pengetahuan bisnis dan bisnis proses,
mengurangi
biaya
administrasi,
dan
menampilkan
informasi
yang
memang
dibutuhkan secara efektif.
Membuat data warehouse tidak sekedar
memindahkan data opersional ke dalam data
warehouse, memindahkan data dari beberapa
sumber berpotensi menimbulkan masalah besar
Prosiding SNSA 2016
ISBN: 978-602-17420-1-3
terutama terkait dengan isu tidak konsistennya
data (Eka, 2011). Data sains antariksa
merupakan data yang tidak sederhana baik dari
sifat, sumber, jenis, cara memperoleh serta
waktu pengumpulan datanya (Maryam, 2015).
Data warehouse diharapkan dapat menjadi
metoda yang tepat dalam pengelolaan data sains
antariksa.
3.
Data dan Metode
Data
yang
digunakan
pada
kajian
penerapan metode data warehouse untuk
pengelolaan data sains antariksa adalah data
hasil pengamatan matahari, geomagnet serta
ionosfer dan telekomunikasi yang terdapat pada
bank data https://bimasakti.sains.lapan.go.id/.
Metodologi kajian penerapan metode data
warehouse pada pengelolaan data sains
antariksa membuat disain arsitektur data
warehouse dengan menggunakan pendekatan
nine steps methodologhy dari Ralph Kimbal
(Meta, 2013).
Kesembilan tahapan tersebut meliputi
identifikasi data, pemulihan grain, Identifikasi
dan
penyesuaian
dimensi,
penyimpanan
precalculation pada tabel fakta, memastikan
tabel dimensi, pemilihan durasi basis data,
penentuan prioritas dan model query.
Identifikasi data sains antariksa akan
menentukan rancangan kode data sains
antariksa, kode alat pengamatan, kode Balai
Pengamat Dirgantara, nama data, nama alat,
nama Balai Pengamatan Dirgantara, tipe data
baik berupa teks maupun gambar, waktu, dan
nilai data. Pemulihan grain, merupakan proses
yang mengacu pada analisis proses data sains
antariksa. Analisis proses akan menghasilkan
nilai data berdasarkan waktu, jumlah alat
pengamatan berdasarkan nama data.
Identifikasi dan penyesuaian dimensi. Pada
tahap ini dilakukan identifikasi dan penyesuaian
dimensi yang terkait dengan fakta. Pemilihan
fakta. Merupakan tahap untuk melakukan
pemilihan fakta yang akan digunakan pada tabel
fakta data, fakta alat, fakta Balai Pengamatan
Dirgantara serta hubungan antara tabel fakta
dan tabel dimensi (Fact Constellation Schema).
Penyimpanan precalculation pada tabel
fakta. Terdapat data yang merupakan kalkulasi
awal dan hasilnya disimpan dalam tabel fakta.
Memastikan tabel dimensi. Tabel dimensi
menambahkan gambaran teks terhadap dimensi
yang memungkinkan. Gambaran teks harus
mudah digunakan dan dimengerti oleh user.
Pemilihan durasi basis data. Durasi yang
masukan kedalam database Data Warehouse.
Melacak perubahan dari dimensi secara
Kajian Penerapan Metode Data Warehouse . . .
265
Gambar 4-1. Arsitektur Data Warehouse Data Sains Antariksa
perlahan. Pada atribut dimensi tidak semuanya
memiliki nilai yang tetap, ada beberapa
kemungkinan atribut tersebut akan berubah
dalam waktu yang cukup lama. Oleh karna itu
data yang sudah lama harus dilakukan
pembaharuan data untuk tetap menjaga
keakuratan data.
Penentuan prioritas dan model query.
Dalam perancangan sebuah data warehouse
kapasitas penyimpanan sangat berpengaruh dan
harus dipertimbangkan karena semakin banyak
data kapasitas memori yang dibutuhkan harus
semakin besar.
4.
Pembahasan
Gambar 4-1 adalah arsitektur data
warehouse sains antariksa terbagi kedalam
komponen, source data system, data staging area,
data warehouse, data marts, users. Sources data
system membagi kelompok data sains antariksa
kedalam dua bagian yaitu internal dan
eksternal. Source data internal adalah data sains
antariksa yang dihasilkan dari alat pengamatan
yang berada di Balai Pengamatan Dirgantara.
Konten source data internal merupakan data
hasil pengamatan matahari dan antariksa,
geomagnet dan magnet antariksa, serta ionosfer
dan telekomunikasi.
Untuk source data eksternal, konten berasal
dari
sistem
informasi
cuaca
antariksa.
Komponen Staging data berisi proses extraction,
transformation, and loading, yaitu proses
mengambil dan mengubah data dari sistem
sumber dan memasukkannya ke dalam data
warehouse (Akhmad, 2013).
Untuk memperoleh data yang berkualitas,
maka selama proses pengambilan data sains
antariksa harus bersih dari inkonsistensi,
duplikasi, dan keabsahan nilai data. Komponen
data warehouse merupakan kumpulan data sains
antariksa yang diseleksi dan dipilih pada satu
tempat penampungan yang besar. Komponen
data mart merupakan bagian dari data
warehouse yang mendukung pembuatan laporan
dan analisa data sains antariksa. Komponen
users terdiri peneliti dayang melakukan prediksi
dan evaluasi cuaca antariksa dan user yang
membuat dan menyampaikan laporan tentang
kegiatan cuaca antariksa.
Gambar 4-2 adalah arsitektur proses extract
transform loading data sains antariksa yang
dilakukan setelah proses menghilangkan noise
pada basis data sumber internal dan eksternal.
Noise dibersihkan dengan melakukan proses
clean,
transform,
combine,
deduplicate,
household, dan archive. Hal ini dilakukan untuk
menjaga integritas data yang akan diolah. Proses
ekstraksi data sains antariksa dari basis data
operasional ke data warehouse menggunakan
suatu teknik populasi. Proses ini terdiri dari
teknik untuk mempopulasikan ke tabel dimensi
dan tabel fakta.
Prosiding SNSA 2016
ISBN: 978-602-17420-1-3
266
S. Maryam & Elyyani
Gambar 4-2. Arsitektur Extract Transform Loading (ETL) Data Sains Antariksa.
Gambar 4-3. Arsitektur ETL Internal Data Source Data Sains Antariksa.
Gambar 4-3 Arsitektur ETL data sains
antariksa adalah proses memilih data sains
antariksa yang akan digunakan dan disimpan
dalam format terpilih, merapikan data yang
terpilih. Proses transformasi yaitu menata ulang
field dan menata inkonsistensi data sains
antariksa.
Loading
merupakan
proses
penyimpanan data yang telah ditransformasikan
kedalam data warehouse (Tanty, 2011). Proses
loading dilakukan dengan menjalankan script
pemanggilan data sains antariksa untuk
memasukan data yang sudah bersih pada data
warehouse. Ketiga proses tersebut selanjutnya
memasuki tahap penataan pada media storage
data
warehouse
pengelolaan
data
sains
antariksa. Analisis pengelolaan data matahari,
geomagnet dan magnet antariksa, ionosfer dan
telekomunikasi untuk kebutuhan riset cuaca
antariksa.
Gambar 4-4 Menggambarkan proses penting
yang harus dilakukan dalam pengoperasian data
warehouse, yaitu penyalinan data. Proses ini
dilakukan setiap periode waktu tertentu,
terutama setelah terjadi transaksi yang
mengakibatkan penambahan atau perubahan
Prosiding SNSA 2016
ISBN: 978-602-17420-1-3
data pada basis data operasional (Dewi, 2012).
Data sains antariksa terdiri dari 13 tabel basis
data operasional, yang telah disalin kedalam
tabel dimensi dan tabel fakta. Untuk
memudahkan pemanfaatan data sains antariksa,
dibuat halaman muka yang memuat memuat
ikon data sains antariksa yaitu data matahari
dan antariksa, geomagnet dan magnet antariksa,
ionosfer dan telekomunikasi dari lokasi
pengamatan yang tersebar di seluruh wilayah
indonesia.
5.
Kesimpulan
Konsep data warehouse secara kajian dapat
diterapkan di Pusat Sains Antariksa. Integrasi
data sains antariksa diawali dengan melakukan
ekstraksi dari beberapa sumber data dengan
mengambil item data yang diperlukan. Sumber
data diperoleh dari kelompok bank data
matahari dan antariksa, geomagnet dan magnet
antariksa, ionosfer dan telekomunikasi (legacy
Systems). Prosesi integrasi data diawali dengan
ekstraksi (extraction) kemudian dilakukan
penyeragaman (transformation) sehingga sesuai
dengan
format
yang
digunakan
untuk
Kajian Penerapan Metode Data Warehouse . . .
267
Gambar 4-4. Halaman Indek Pengelolaan Data Warehouse Sains Antariksa (Sumber gambar :
simbada.sains.lapan.go.id).
kepentingan analisis. Data dalam format yang
telah sesuai untuk keperluan analisis kemudian
disimpan dalam data warehouse (loading).
Prototipe data warehouse Pusat Sains Antariksa
mencakup proses input data melalui ekstraksi
data lama maupun data baru menggunakan
media perangkat lunak yang sesuai dengan
sistem data base yang sudah dirancang dengan
keluaran berupa laporan data baik dalam bentuk
hardcopy atau file dengan perioda data sesuai
dengan kebutuhan. Harapan dari keluaran data
warehouse Pusat Sains Antariksa dapat
diintegrasikan
melalui
pengolahan
OLAP
(Online Anlytical Processing) menggunakan
berbagai metode pengolah data.
Ucapan Terimakasih
Ucapan terima kasih disampaikan kepada
teman-teman tim jaringan Rizal Suryana, Yoga
Andrian, Ahmad Zulfiana, Sutan Syahril, Yusuf
Dirgantara yang telah membantu dalam
pemeliharaan jaringan dan pengembangan basis
data sains antariksa.
Rujukan
Akhmad, D., Ema, U., Emha, T. L. (2013).
Perancangan Data Warehouse Perpustakaan
Perguruan Tinggi XYZ Menggunakan Metode
Snowflake
Schema.
Jurnal
Teknologi
Informasi, 8, 1.
Agus, S. (2009). Perancangan dan Implementasi
Data Warehouse Meteorologi, Klimatologi
Geofisika dan Bencana Alam. Jurnal
Meteorologi dan Geofisika, 10, 132.
Dewi, K. W. (2012). Perancangan Struktur Data
Warehouse Untuk Mendukung Perencanaan
Pemasaran Produk Menggunakan Star
Schema. Jurnal Ilmiah ESAI, 6, 1.
Eka, M. (2011). Implementasi Datawarehouse
dan Data Mining : Studi Kasus Analisis
Peminatan Studi Siswa. ComTech, 2, 1.
Randy, O. P. (2012). Rancang Bangun Data
Warehouse Untuk analisis Kinerja Penjualan
Pada Industri Dengan Model SPA-DW (Sales
Perfomance Analysis–Data Warehouse) Studi
Kasus : PT Semen Padang. Skripsi,
Universitas Diponegoro, Semarang.
Iik, W., (2013). Pemanfaatan Data Warehouse Di
Pergurfuan Tinggi Indonesia. Jurnal Sistem
Informasi, 4, 1.
Maryam, S. (2015). Penembangan Bais Data
Sains Antariksa Online. Laporan Kegiatan
Inhouse, Pusat Sains Antariksa.
Stephanie, Y., (2014) Perancangan Data
Warehouse Pada Profil Mahasiswa di
Universitas XYZ. Jurnal Teknik Dan Ilmu
Komputer, 3, 1.
Tanty,O., (2011). Perancangan Model Data
Warehouse Dalam Mendukung Perusahaan
Jasa
Pengiriman.
Seminar
Nasional
Informatika E-93 ISSN: 1979-2328. UPN
”Veteran”
Meta, S., Jemakmun, Suyanto, (2013) Analisis
dan Perancangan Data Warehouse Rumah
Sakit Umum Daerah Palembang Bari. Jurnal
Ilmiah Teknik Informatika Ilmu Komputer, 1,
1.
Prosiding SNSA 2016
ISBN: 978-602-17420-1-3
268
S. Maryam & Elyyani
Prosiding SNSA 2016
ISBN: 978-602-17420-1-3